arXiv论文提出Pushback Paradox双探针基准，评估大模型指令顺从度与失控风险

The Pushback Paradox: A Two-Probe Diagnostic for Language Model Compliance 研究人员构建了名为Pushback Paradox的开源双探针评测基准，旨在测量语言模型在面对指令时的过度顺从（易被利用性）与过度抗拒（不可叫停性）。在对12款主流大模型的测试中，大部分模型会盲从指令而牺牲自身效用，仅极少数模型能够在保持可叫停的同时防止被恶意诱导。该基准为多智能体系统的安全调度与对齐评估提供了量化工具。